[논문 리뷰] Mobile-Based Deep Learning Models for Banana Diseases Detection

Sophia Sanga, Victor Mero외 2명|arXiv (Cornell University)|2020. 04. 07.

Smart Agriculture and AI참고 문헌 10인용 수 16

한 줄 요약

이 연구는 InceptionV3와 ResNet152를 사용한 전이 학습을 기반으로 한 모바일 기반 딥러닝 애플리케이션을 개발하여 바나나 잎에서 페루스리움 와이트 레이스 1과 블랙 시가토카를 감지한다. 모델은 테스트 정확도 95.5%를 기록했으며, 실생활 감지에서 99%의 신뢰도로 성공적으로 안드로이드 기기에서 배포되어 탄자니아의 소규모 농부들이 현장에서 오프라인으로 질병 진단을 수행할 수 있도록 했다.

ABSTRACT

Smallholder farmers in Tanzania are challenged on the lack of tools for early detection of banana diseases. This study aimed at developing a mobile application for early detection of Fusarium wilt race 1 and black Sigatoka banana diseases using deep learning. We used a dataset of 3000 banana leaves images. We pre-trained our model on Resnet152 and Inceptionv3 Convolution Neural Network architectures. The Resnet152 achieved an accuracy of 99.2% and Inceptionv3 an accuracy of 95.41%. On deployment using Android mobile phones, we chose Inceptionv3 since it has lower memory requirements compared to Resnet152. The mobile application on real environment detected the two diseases with a confidence level of 99% of the captured leaf area. This result indicates the potential in improving the yield of bananas by smallholder farmers using a tool for early detection of diseases.

연구 동기 및 목표

• 탄자니아의 아루샤, 무베야, 킬리만자로 지역에서 소규모 농부들이 바나나 곰팡이 병을 조기에 감지하는 데 어려움을 해결하기 위해.
• 동아프리카에서 바나나 수확량에 심각한 영향을 미치는 페루스리움 와이트 레이스 1과 블랙 시가토카로 인한 수확 손실을 줄이기 위해.
• 실시간 질병 진단을 지원하기 위해 딥러닝을 활용한 접근 가능하고 오프라인 기능을 갖춘 모바일 애플리케이션을 개발하기 위해.
• 모바일 기기에서 효율적이고 정확한 질병 분류를 위해 사전 학습된 CNN(ResNet152 및 InceptionV3)을 활용한 전이 학습을 활용하기 위해.
• 스마트폰 기술을 활용한 빠르고 저비용의 질병 감지를 통해 적시 개입을 가능하게 하여 农업 성과를 향상시키기 위해.

제안 방법

• 3,000장의 바나나 잎 이미지 데이터셋을 사용하여 사전 학습된 딥러닝 모델(ResNet152 및 InceptionV3)을 미세조정하였으며, 데이터 증강을 통해 총 18,000장의 이미지로 확장하여 건강한 잎, 블랙 시가토카, 페루스리움 와이트 레이스 1의 세 클래스로 구성하였다.
• 데이터 증강 기법으로는 수평 뒤집기, 줌 인/아웃(0.2), 회전, 기울임 변형(0.1), 자르기 및 스케일링(1/255 배수)을 적용하여 모델의 일반화 능력을 향상시켰다.
• 모델 평가 및 선택의 편향을 방지하기 위해 데이터셋을 80% 훈련, 15% 검증, 5% 테스트로 분할하였다.
• GPU 기반 환경(구글 코랩 및 델 프리시전 워크스테이션)에서 텐서플로우를 사용하고 케라스 백엔드를 활용해 훈련을 수행하여 효율적인 계산을 달성하였다.
• InceptionV3 모델은 ResNet152 대비 메모리 사용량이 적어 모바일 배포에 적합하여 선택되었으며, 정확도는 다소 낮지만 효율성이 높았다.
• 최종 모델는 텐서플로우 라이트를 사용해 안드로이드 기기로 배포되어 촬영한 잎 이미지에 대해 실시간 예측을 수행하는 오프라인 추론을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 사전 학습된 CNN을 활용한 전이 학습이 모바일 기반 시스템에서 바나나 잎에서 페루스리움 와이트 레이스 1과 블랙 시가토카를 높은 정확도로 감지하는 데 성공할 수 있는가?
• RQ2 ResNet152와 InceptionV3가 바나나 잎 질병 감지에 적용되었을 때 정확도, 추론 시간, 메모리 사용량 측면에서 어떻게 성능을 내는가?
• RQ3 장치 내에서 추론 기능을 갖춘 모바일 애플리케이션이 실생활 농장 환경에서 신뢰할 수 있고 확신 있는 질병 감지를 얼마나 잘 수행할 수 있는가?
• RQ4 이미지 품질이 다양하게 변하는 소규모 농업 환경에서 데이터 증강이 모델의 일반화 능력과 강건성에 어떤 영향을 미치는가?
• RQ5 오프라인 기능을 갖춘 모바일 애플리케이션이 탄자니아의 소규모 바나나 농부들에게 조기 질병 감지와 수확량 향상에 크게 기여할 수 있는가?

주요 결과

• ResNet152 모델은 테스트 정확도 99.8%와 검증 정확도 99.2%를 기록하여 바나나 잎 질병 분류에서 높은 성능을 보였다.
• InceptionV3 모델은 테스트 정확도 95.5%와 검증 정확도 95.4%를 기록했으며, ResNet152 대비 메모리 요구량이 현저히 낮았다.
• 실생활 모바일 배포 상황에서 InceptionV3 기반 애플리케이션은 촬영된 잎 부위에 대해 99%의 신뢰도로 질병을 감지했으며, 70% 기준을 충족시켰다.
• 모바일 애플리케이션은 안드로이드 기기로 성공적으로 배포되었으며, 오프라인으로 작동하여 연결성이 낮은 농촌 농업 지역에서도 접근 가능했다.
• 이 연구는 모바일 기반 딥러닝 도구가 조기 질병 감지 능력을 크게 향상시켜 적시 개입과 수확량 향상에 기여할 수 있음을 확인했다.
• 안드로이드와 텐서플로우 라이트를 기반으로 제작된 FUSI 스캐너 앱은 소규모 농업 시스템에서 질병 감시를 위한 확장 가능하고 저비용의 솔루션을 제공한다.